• •
李光强1,邓敏2,刘启亮3,程涛3
LI Guang-Qiang , , ,
摘要: 现有空间聚类方法大都使用固定阈值进行聚类,空间点状目标近似均匀分布时,能够得出满意结果。但是现实世界里,空间数据分布存在一定的空间分异特性。当空间点目标分布不均匀时,由于现有聚类方法忽略了局部密度不相等的特性,从而造成聚类结果不理想,不能反映空间数据隐藏的分布模式。为此,本文研究了一种基于密度的自适应空间聚类算法 — ADBSC,提出了一种新的基于空间局部密度的度量方法,即 k-空间近邻最大距离。进而,引入了距离变化率度量指标,在k-空间邻近域中,使用距离变化率阈值判断空间点是否为核,并检测密度是否直达或可达,再将所有密度相连的核及其边界点聚为一类,从而实现了自动适应空间局部密度变化的空间聚类方法,并给出了ADBSC算法的详细描述。最后,对本文所提方法进行了实验分析和实例验证。其中利用模拟实验证明该算法能自动适应空间局部密度变化,揭示各种形状的空间簇;通过实验对比证实ADBSC算法比DBSCAN算法更具有适用性,且计算效率较高;通过实际数据进一步证明ADBSC算法具有很好的实用价值。